本文简要介绍了卷积神经网络(CNN),讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。CNN 主要用于解决难以处理的图像驱动的模式识别任务,并采用精确而简单的结构,为人工神经网络提供了一个简化方法。
Nov, 2015
通过结合生物神经元原理,使用基于神经科学的计算模型来增强训练效率和提高准确性,以推动组合感受野模型作为卷积神经网络的基础层,从而在 CIFAR-10、CIFAR-100 和 ImageNet-100 数据集上实现性能显著提升(平均提升 5%-10%)
Nov, 2023
通过引入前馈卷积神经网络与反馈式局部循环连接设计,提高图像识别准确性,更加贴近灵长类动物视觉系统的神经活动,为当代物体识别任务的研究提供了新的思路。
Jun, 2018
这篇论文总结了深度学习中最广泛研究的卷积神经网络在不同方面的改进方法和优化技术,并介绍了其在计算机视觉、语音和自然语言处理等领域的应用。
Dec, 2015
本文综述了通过 Activation Maximization、Network Inversion、Deconvolutional Neural Networks (DeconvNet) 以及 Network Dissection 等可视化手段实现 CNN 可解释性的方法,并探讨了这些方法在网络设计、优化和安全增强等领域中的实际应用价值。
Apr, 2018
本文综述了卷积神经网络的历史,概述了卷积神经网络的结构,介绍了一些基础和高级模型,并通过实验分析总结了一些适用函数的经验法则。此外,本文还涵盖了一维、二维和多维卷积的应用,并讨论了卷积神经网络面临的一些问题和未来的方向。
Apr, 2020
本研究用深度学习卷积神经网络尝试预测视神经系统中的神经元反应,结果显示,CNN 能学到视网膜电路的生物学组成,且这些特征可以显示为视网膜节细胞传统感受野的空间瓦片,为研究神经回路的结构奠定了基础。
Nov, 2017
我们将神经科学构建的结构组件系统地纳入卷积神经网络,以解释 V1 神经活动和调谐特性,结果证实这些神经科学构建的结构组件可以使 CNN 更好地模拟 V1 神经活动和调谐特性。
May, 2023
本文从深度卷积神经网络的内在分类入手,将现有研究成果归纳为七大类,即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力,同时介绍 CNN 组件的基础理解、当前挑战和应用领域。
Jan, 2019
该研究论文探讨了计算机视觉问题中使用深度学习技术的发展趋势,着重介绍了卷积神经网络(CNNs)及其应用,帮助初学者了解何种深度网络适用于计算机视觉问题。
Jan, 2016